Že počítače pomohou lékařům odhalovat rakovinu, o tom se mluví už dlouho. Počítačový program Watson to třeba sliboval od roku 2011, ovšem zatím je stále ve fázi testů. Také Google pracuje na automatizované detekci různých nemocí s využitím strojového učení, včetně nemocí oční sítnice nebo melanomu kůže. Přestože jde zatím takřka výhradně o teoretické projekty, jejich dopad na praxi může být značný.
Čím dřív se rakovinotvorné bujení v těle podaří odhalit, tím lepší jsou šance na úspěšnou léčbu. Proto jsou důležité preventivní testy. U jedné z nejčastějších rakovin – rakoviny prsu – se proto doporučuje pravidelné mamografické vyšetření.
Co je mamogram a kdo by se měl nechat vyšetřit?Mamograf je speciální rentgen určený ke snímkování (screeningu) prsní tkáně za účelem včasné detekce rakoviny prsu Každá žena od 45 let věku by měla chodit na preventivní screeningové mamografické vyšetření, a to jednou za dva roky. Pokud si v prsu nahmatá bulku, vyšetření by měla podstoupit co nejdříve. Každý měsíc by si své prsy měla pravidelně vyšetřovat každá žena (návod na samovyšetření krok za krokem zde). |
Na rentgenovém snímku z mamogramu pak specializovaný lékař (radiodiagnostik, též radiolog) hledá stopy, které na základě svých zkušeností a praxe rozpozná jako začínající nádor.
Pokud je podezření na nádor, odebírají se vzorky na histologii, aby se mohlo případně co nejdřív začít s léčbou. Ne každou rakovinu se však takto podaří odhalit, přibližně dvacet procent nádorů lékařům unikne.
Automat na odhalování rakoviny prsu
Nově publikovaná studie (PDF) ukazuje, jak by mohla v budoucnu fungovat spolupráce lékařů s automatizovaným systémem na detekci rakoviny. „Mamogramy jsou velmi účinnou metodou, ale stále je zde významný počet falešných negativ a falešných pozitiv,“ uvedla Shravya Shetty, programátorka firmy Google, která se na výzkumu podílela. „Ve studii jsme se pokusili aplikovat stejné principy, které používají lékaři radiodiganostici.“ Cílem bylo porovnat úspěšnost při rozpoznávání rakoviny na mamogramech v ranném stádiu.
Neuronovou síť vyvinutou odborníky z britské firmy DeepMind (Google ji koupil v roce 2014, je známá třeba svými úspěchy ve hře go) tentokrát výzkumníci natrénovali na obrazových datech z britských (a později amerických) mamografických klinik. Na vzorku anonymizovaných mamografů více než 76 tisíc britských žen se neuronová síť naučila rozpoznávat, jak vypadá obraz, na kterém je prs s rakovinou. Počítač přitom neměl k dispozici žádné údaje o pacientce ani předchozí měření, věk apod.
Síť (ve studii výzkumníci používají výraz AI, tedy umělá inteligence) se na malém vzorku učí rozpoznávat, zda je na fotce rakovina, a poté svůj předpoklad konfrontuje s realitou. Pokud se strefila, posílí neurony (samostatné části rozhodovacího algoritmu), které k tomuto správnému rozhodnutí vedly. Pokud se nestrefila, poučí se z toho pro příště. To celé se opakuje třeba milionkrát, jednotlivé neurony se postupně vyvíjejí a neuronová síť se „učí“ rozpoznávat v obrazu informace a závislosti, dokud není výsledná úspěšnost dostatečně vysoká.
Co to je neuronová síť a jak se učíUmělá neuronová síť do jisté míry napodobuje způsob, jakým informace zpracovává lidský mozek Počítačem simulovaná struktura pro zpracování dat - tzv. neuronová síť nebo umělá neuronová síť - se inspirovala u anatomie lidského mozku. Skládá se obvykle z vrstev velkého množství „neuronů“, což je samostatná jednotka, která má vstupy a výstupy. Více takových neuronů a vrstev znamená síť náročnější na simulaci (je třeba velký výpočetní výkon). Neuronová síť se učí (trénuje) na základě vstupních (testovacích, trénovacích) dat a zpětné vazby. Neuronová síť může také „učit sama sebe“, což zjednodušeně znamená, že sama sobě dává otázku, na kterou zná správnou odpověď, a trénuje sama sebe tak dlouho, dokud tuto odpověď není schopna poskytnout s určitou spolehlivostí. Příkladem může být třeba neuronová síť učící se tvořit obličeje, hrát poker, hrát go, hrát počítačové hry, analyzovat rizika nebo překládat cizojazyčné texty. Mezi problémy spojené se strojovým učením naopak patří zkreslené představy, zkreslená trénovací data nebo neschopnost rozhodnutí zdůvodnit. |
Neuronová síť se „učí“ na základě zpětné vazby. Tu v tomto případě zajišťovala s odstupem času potvrzená diagnóza. Proto byly do studie zařazeny staré snímky, rakovina se totiž mohla u pacientek rozvinout později.
Natrénovanou neuronovou síť poté výzkumníci pustili na zcela oddělený, testovací dataset. Britský testovací dataset sestával ze snímků 25 856 žen. Mamografy pocházely z let 2012 až 2015 (šlo o náhodný a anonymizovaný vzorek z přibližně čtvrt milionu žen). U 765 těcho žen byla provedena biopsie a u 414 z nich byla posléze potvrzena rakovina prsu. Počítač měl k dispozici pouze obrazová data (dva snímky ke každému prsu) a tyto prsy rozděloval na ty, kde detekoval rakovinu, a ty, kde nikoli.
V porovnání s šesticí lidských lékařů si neuronová síť vedla velmi dobře. Měla vyšší procento úspěšných nálezů a nižší chybovost. Rozdíl byl relativně malý. Míra falešných negativ byla u počítače o 2,7 procenta nižší na britském vzorku, což je ale statisticky významný pokrok. Právě falešná negativa jsou přitom nejhorším výsledkem. Znamenají totiž, že žena odejde ze screeningu s tím, že rakovinu nemá, zatímco nádor u ní bují až do příštího vyšetření, čímž klesá šance na úspěšnou terapii. Na americkém vzorku, který byl menší, byla dokonce AI při eliminaci tohoto negativního výsledku úspěšnější o 9,4 procenta.
Dodejme, že zatímco počítač pracoval pouze s jednorázovou obrazovou informací a jinak o testované ženě nic nevěděl, lékaři měli k dispozici ženinu stručnou anamnézu (věk, předchozí léčbu apod.). To mohlo dát lékařům výhodu, lze však spekulovat o tom, že to mohlo v jistých případech ovlivnit úsudek i opačným směrem. Výzkumníci k této nesrovnalosti přistoupili proto, že lépe napodobuje, jakým způsobem radiodiagnostika probíhá v praxi.
Výzkum ukázal důležitost spolupráce
Znamená to tedy, že by měli jít lékaři do předčasného důchodu, protože odteď za ně rozpoznávání bude dělat počítač, rychleji a efektivněji? Rozhodně ne, zdůrazňují lékaři i autoři studie. Je k tomu několik důvodů.
Prvním je, že AI síť, jakkoli svými výsledky porazila každého z šesti radiodiagnostiků individuálně, dosáhla v podstatě srovnatelných výsledků, jako dvojice diagnostiků. V Británii každý snímek prohlédnou po sobě dva odborníci. Teprve pokud se oba shodnou, že snímek nezachycuje nádor, je označen za rakovinyprostý. Ve srovnání s tímto systémem byly výsledky AI na stejné úrovni, tedy nebyly horší (noninferiority). Což je stále úspěch, ale už to přece jen zní jinak než „počítač je lepší než lékaři“.
Dalším důvodem, proč by náhrada lékařů strojem nebyl dobrý nápad, je otázka variability systému. Neuronové sítě často trpí zvláštními vrtochy, které jsou z lidského pohledu těžko pochopitelné. Stačí trochu pozměnit způsob prezentace obrazových dat – třeba šumu – a systém najednou může dávat úplně jiné výsledky, což by se u lidského hodnotitele nestalo. Stejně tak si může natrénovaný systém zvyknout na určitou značku mamogramu a nedokáže se přizpůsobit jinému přístroji (na to upozorňují i autoři této studie placené Googlem).
No a konečně výzkumníci odhalili i vzorky, které byly vyhodnoceny zcela opačně počítačem a lidmi. „Je zde nádor, který všech šest radiologů přehlédlo, ale náš algoritmus si jej všiml. Na druhou stranu, byly jiné případy, kdy všech šest radiologů našlo nádor, zatímco náš algoritmus ne,“ uvedl Scot McKinney, vedoucí autor studie. „Je zřejmé, že dělají – doufejme – komplementární rozhodnutí“
Autoři nicméně předvedli praktickou ukázku toho, jak by mohl počítač pomoci s analýzou snímků v tandemu s člověkem. V jedné ze simulací „zapřáhli“ algoritmus coby druhého člena týmu. Ve chvíli, kdy lékař i počítač usoudili, že je na snímku rakovina, nebyl už k analýze volán druhý lékař. Tím se ušetřilo až 88 procent času druhého posuzovatele, což je vzhledem k nenaplněné poptávce po této odbornosti velký úspěch.
Podobně, jako tomu bylo i v řadě dalších případů, se tak jako nejlepší jeví spolupráce člověka a stroje. Přičemž člověk musí znát limity počítačové analýzy a nespoléhat na ni slepě.
Jak probíhá mamografické vyšetření: